基于pytorch的lstm时间回归预测（附全部代码）

首先说明作者是神经网络纯新手，虽然之前用过神经网络的代码，但基本上都是各种copy，只搞清楚了input_size和output_size，这两天因为工作需要要跑一个lstm的回归预测，在网上找的教程都不太清楚，对新手不是很友好，对新手友好的好像好多都是错的，自己也想了很久才想明白lstm回归预测到低是什么情况，跟大家分享一下，如果有错误也希望大家能指正。

首先是lstm的一张图，引自LSTM神经网络输入输出究竟是怎样的？，建议看本文章之前先找几个教程把lstm搞懂，我个人觉得lstm懂了的标志就是下面这张图你看懂了。

​

首先，厘清一下本文所针对的任务，多特征的时间序列回归预测，再说直白一点，数据长成这个样子

 简单来说就是n*m的ndarray，n表示时间序列的长度，m表示每一个时间点的feature，我图中的数据来自LSTM入门例子：根据前9年的数据预测后3年的客流（PyTorch实现），准确来说，这个数据也不是来自于这个作者，是一个经典的“航空客流预测”任务。这个作者应该是个机器学习的大佬，这篇文章很值得一读，但是估计新手也读不太懂，我纯新手反正一开始是没搞懂，但是非常不建议去看这篇文章的原版，因为原版完全是个错误例子。

因为是小白向我就不先说错误例子怎么做的了，只说一个最关键的点，“航空客流预测”任务中，时间序列很短只有100多个长度，完全可以一次性放进长度为100多的lstm里面训练，但是通常的时间回归预测任务里面，时间长度很多，势必要分成很多个定长的序列，然后再送进去训练。这一点也是最误解我的，我想了半天都想不通time_step到低去哪了，事实上分成训练集之后的时间序列数据本身长度就是那个time_step。（当然也可以不定长，事